Oct, 2023

多分辨率人脸识别的统一表示学习

PDF
TL;DR提出了 Branch-to-Trunk 网络（BTNet），一种用于多分辨率人脸识别的表示学习方法，通过统一编码器的主干网络和多个分辨率适配器的分支网络组成，提高了微小人脸的可辨识性，同时在输入上缓解了由缩放引入的插值误差，通过分支蒸馏和向后兼容的训练，在保证表示的兼容性的前提下，将有辨别力的高分辨率信息传递给多个分支。在人脸识别基准测试中表现出较强的性能，并且计算量和参数存储量明显减少，同时在具有挑战性的 QMUL-SurvFace 1：N 人脸识别任务中建立了新的最优结果。
multi-resolution face recognitionbranch-to-trunk networkdiscriminabilityfeature aggregationqmul-survface
发现论文，激发创造
  • 使用双分支深度卷积神经网络架构进行低分辨率人脸识别

    本文通过使用深度卷积神经网络和超分辨网络，提出了一种新的低分辨率人脸识别模型，并在 FERET 数据集上进行了评估，结果显示，相较于其他替代方法，本方法在特别是针对非常低分辨率的探测人脸图像时取得了显著的识别性能提高，并能在保证视觉质量等方面达到与超分辨率方法相当的低分辨率图像重建效果。

    Jun, 2017

  • 基于 Trunk-Branch 集成卷积神经网络的视频人脸识别

    本文提出一种基于卷积神经网络的综合框架，通过人工模糊训练数据、分支主干集成卷积神经网络模型以及改进型三元组损失函数等技术，有效克服了视频人脸识别中面临的图像模糊、姿态变化和遮挡等问题，并实现了在多个流行视频人脸数据库上的最佳表现。

    Jul, 2016

  • 多深度分支网络用于高效图像超分辨率

    通过引入多深度分支网络（MDBN），本文提出了一种新的超分辨率方法，该方法可以更好地提取和保留高频细节同时降低计算代价。

    Sep, 2023

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • 深度高分辨率表示学习用于视觉识别

    High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.

    Aug, 2019

  • 多元性强：面向车辆再识别的多分支表示学习

    本文提出了一种高效轻量级的多分支深度架构，用于改进车辆再识别，并基于分组卷积和损失分支拆分策略设计了一个多分支架构，以提高特征的多样性和可辨识性，还提出了一种轻量级解决方案以模拟将损失拆分学习为多个嵌入，同时显著减小模型尺寸，并设计了一个改进解决方案来利用额外的元数据，如摄像头 ID 和姿势信息，大大提高了再识别性能。与现有方法相比，在 Veri-776 中本方法在 mAP 方面达到了 85.6%，在 CMC1 方面达到了 97.7%，在 Veri-Wild 中得到了 88.1% 的 mAP 和 96.3% 的 CMC1，通过提供对车辆再识别的重要见解，为其他检索任务提供了坚实的基础。

    Oct, 2023

  • 通过先验辅助的人脸超分辨率重建和残差知识蒸馏实现不同分辨率下的人脸识别

    该研究提出了一个统一的分辨率不变模型（RIM）来解决低分辨率人脸识别问题，其中包含面部幻觉子网络（FHN）和异构识别子网络（HRN）。FHN 是一个三路生成对抗网络（GAN），使用无监督跨域对抗训练策略将非常低的分辨率查询图像超分辨率到比其 8 倍大的图像，HRN 是一个泛用的卷积神经网络（CNN），用于具有提取判别性特征表示的残差知识蒸馏策略的异构人脸识别。

    May, 2019

  • 多分辨率树网络用于 3D 点云处理

    使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

    Jul, 2018

  • RelationNet++：通过 Transformer 解码器构建物体检测的视觉表征关系

    该研究提出了一种注意力解码器模块，用于将其他对目标不同表示形式结合到一个单一的目标检测器中，并展示了其在 RetinaNet、Faster R-CNN、FCOS 和 ATSS 等普遍目标检测框架中的广泛适用性，其中获得了大约 1.5 ~ 3.0 的 AP 提升。

    Oct, 2020

  • 运行时高效图像识别的分辨率可切换网络

    提出一种单卷积神经网络通用的方法，在推理时可以切换图像分辨率，从而可以选择满足各种计算资源限制的运行速度。用该方法训练的网络称为分辨率切换网络（RS-Nets）。通过多分辨率蒸馏和知识蒸馏，RS-Nets 在各种分辨率下的准确性得到了提高。

    Jul, 2020